Паралелізація в R

Паралельне програмування в R

Nabeel Imam

Data Scientist

Практичний приклад

Дані

print(file_list)

 [1] "./uni_data_country/Argentina.csv"
 [2] "./uni_data_country/Armenia.csv"
 [3] "./uni_data_country/Australia.csv"
 [4] "./uni_data_country/Austria.csv"
 [5] "./uni_data_country/Azerbaijan.csv"
 [6] "./uni_data_country/Bahrain.csv"
 [7] "./uni_data_country/Bangladesh.csv"
 [8] "./uni_data_country/Belarus.csv"
 [9] "./uni_data_country/Belgium.csv"
[10] "./uni_data_country/Bolivia.csv"
...

Зображено три будівлі університетів із випускниками; кожному присвоєно рейтинг від одного до трьох.

Додайте стовпець

for (file in file_list) {

  df <- read.csv(file)


  df$top100 <- NA

  for (r in 1:nrow(df)) {
    df$top100[r] <- df$world_rank[r] <= 100
  }


  write.csv(df, file)
}

Профілювання

Код

library(profvis)


profvis({

  for (file in file_list) {

    df <- read.csv(file)
    df$top100 <- NA

    for (r in 1:nrow(df)) {
      df$top100[r] <- df$Rank[r] <= 100
    }
    write.csv(df, file)
  }

})

Вивід

Результат профілювання з profvis(). У прикладі читання даних триває 40 мілісекунд, заповнення значень у стовпці `top100` — 80 мілісекунд. Інші кроки майже миттєві.

Паралелізуємо

Цикл

  for (file in file_list) {

    df <- read.csv(file)
    df$top100 <- NA

    for (r in 1:nrow(df)) {
      df$top100[r] <- df$Rank[r] <= 100
    }
    write.csv(df, file)
  }

Функція

add_col <- function(file_path) {

  df <- read.csv(file_path)
  df$top100 <- NA

  for (r in 1:nrow(df)) {
    df$top100[r] <- df$Rank[r] <= 100
  }
  write.csv(df, file_path)
}


cl <- makeCluster(6)

dummy <- parLapply(cl, file_list, add_col)
stopCluster(cl)

Практика: скільки ядер

Визначення кількості ядер

detectCores()

[1] 8

Паралелізований код

cl <- makeCluster(detectCores() - 2)


dummy <- parLapply(cl, file_list, add_col)

stopCluster(cl)

Практика: тип кластера

Кластер PSOCK (типово)

cl <- makeCluster(detectCores() - 2)

Створює копії поточної сесії R
Ядра не спільно використовують пам'ять
Працює на будь-якій ОС (Windows, Mac, Linux)

Кластер FORK

cl <- makeCluster(detectCores() - 2,
                  type = "FORK")

Створює підпроцеси з сесії R
Ядра спільно використовують пам'ять (швидше за PSOCK)
Не працює у Windows

Давайте потренуємось!

Паралельне програмування в R